如今，人工智能 (AI) 无处不在，使组织能够预测系统中断的可能性，推动自动驾驶汽车，并为聊天机器人或虚拟助手提供语言功能。 这些类型的人工智能用例主要依赖于集中式、基于云的人工智能，其中存储着大量的训练数据集。 然而，人们越来越倾向于让人工智能更接近源头或更接近边缘。 边缘计算在世界范围内部署了一系列网络和设备，并且数据在更接近数据生成的地方进行处理，在人工智能的支持下变得可操作。
由于物联网 (IoT) 积累的海量数据，从源头就非常需要这种类型的智能。 物联网设备(例如传感器、设备或可穿戴设备)通过互联网收集和交换数据，并且通常嵌入到其他物联网设备中以提供通信网络。 例如，仓库员工佩戴的物联网设备可以在跌倒时通知管理层，并向 911 发出警报。冰箱上的物联网设备可以在牛奶不足时提醒房主，或者在搅拌器需要维护时向生物技术科学家发出信号。
在这些和其他场景中，边缘人工智能在利用所有数据来开发可行的见解、采取纠正措施或提供安全方面发挥着重要作用。 边缘人工智能允许在靠近实际收集数据的地方进行计算，而不是在集中式云计算设施或异地数据中心进行计算。 当紧迫性和时机至关重要时，边缘人工智能会挑战云的能力。 例如，在自动驾驶汽车中，数据是实时捕获的，但汽车却以每小时 65 英里的速度行驶。 没有时间将数据发送到云端然后返回决策。 必须立即做出决定。
边缘优势比比皆是
考虑以下一些主要好处：
实时决策：边缘人工智能可以帮助设备做出关键决策，而不会产生与基于云的处理相关的延迟。 例如，自动驾驶汽车可以对不断变化的路况做出快速反应，确保乘客安全。
隐私和安全：边缘计算还提供安全优势。 从位置传输到云的数据可以在位置之间被黑客攻击，但是当数据在边缘本地处理时，数据不需要通过网络移动。 这在视频监控摄像头等用户隐私至关重要的应用中尤其重要。
有限连接：在偏远地区或互联网连接不可靠的地方，边缘人工智能可以独立运行，提供不间断的服务。 这对于农业地区是有益的，配备边缘人工智能的无人机可以监控连接有限的地区的农作物和牲畜。
降低成本：边缘人工智能减少了对大规模且昂贵的云基础设施的需求。 企业可以节省数据传输成本并立即访问数据，从而提高效率。
可扩展性：边缘人工智能具有高度可扩展性，允许将其他设备轻松添加到边缘计算网络，而不会导致中央云服务器过载。
可靠性：通过将人工智能分布在多个设备或节点上，边缘人工智能更具弹性。 即使一台设备发生故障，其他设备也可以继续独立运行，从而降低系统范围内发生故障的风险。
安全性：除了上述可穿戴物联网设备的安全优势之外，边缘人工智能还避免了分析师手动收集数据的人身安全隐患。 例如，有人被派去分析受自然灾害影响的建筑物的结构完整性。 当检查过程自主完成时，他们能够在世界另一端办公室的安全范围内实时分析数据。
生活在边缘的挑战
尽管将人工智能扩展到边缘有很多好处，但它也并非没有局限性。 其中一项挑战是其有限的计算资源。 与数据中心相比，边缘设备的计算能力有限。 这可能会对需要在其上运行的人工智能模型的复杂性造成限制。
此外，边缘设备通常由电池供电，而人工智能模型通常需要大量电量，并且会很快耗尽电池寿命。 然而，研究人员正在开发针对边缘设备优化的轻量级人工智能模型和算法。 这些模型在准确性和资源消耗之间取得了平衡，使边缘人工智能更加可行。
另一个挑战是，虽然边缘人工智能降低了数据泄露的风险，但它可能会引起本地层面的数据隐私问题，并被视为侵入性的。
尽管面临挑战，边缘人工智能仍有望实现显着增长和创新。 事实上，根据 Future Market Insights (FMI) 的数据，边缘人工智能市场预计在 2022 年至 2023 年期间将以 20.8% 的复合年增长率扩张。
最新一代无线网络连接 5G 网络的推出将有助于边缘人工智能的兴起，为边缘设备提供更快、更可靠的连接。 此类用例之一是仓库或工业环境，这些环境通常依赖 Wi-Fi。他们现在能够建立一个专用的本地5G网络，连接分布在整个站点的许多设备和物联网传感器。
边缘人工智能为数据收集和分析方式提供了另一种选择。 其减少的延迟、数据隐私和成本效率使许多行业的智能达到了新的水平。 不是把数据交给算法，而是算法去处理数据，从而实现一个全新的洞察力。
